Más capas en una red neuronal convolucional (CNN) significan una mayor carga computacional y un tiempo de entrenamiento más largo, lo que resulta en un rendimiento deficiente en el reconocimiento de patrones. En este trabajo, se propone una red neuronal convolucional de fusión de información global simplificada (SGIF-CNN) para mejorar la eficiencia computacional y la precisión diagnóstica. En la arquitectura mejorada de la CNN, los mapas de características de todas las capas convolucionales y de agrupamiento se convolucionan globalmente en una secuencia de características unidimensional correspondiente, y luego todas las secuencias de características se concatenan en la capa completamente conectada. Sobre esta base, este documento propone además un nuevo método de diagnóstico de fallas para un sistema de rodamientos de rotor y muñón basado en SGIF-CNN. En primer lugar, se obtienen las distribuciones tiempo-frecuencia de las muestras utilizando el algoritmo de Representación Tiempo-Frecuencia de Núcleo Óptimo Adaptativo (AOK-TFR). En segundo lugar, se utilizan los diagramas tiempo-frecuencia de las muestras de entrenamiento para entrenar el modelo SGIF-CNN utilizando un método de fusión de información superficial, y el modelo SGIF-CNN entrenado se puede probar utilizando los diagramas tiempo-frecuencia de las muestras de prueba. Finalmente, el modelo SGIF-CNN entrenado se trasplanta al sistema de monitoreo en línea del equipo para monitorear las condiciones de operación del equipo en tiempo real. El método propuesto se verifica utilizando los datos de un banco de pruebas de rotor y un separador de aire de ultraescala, y los resultados del análisis muestran que el SGIF-CNN propuesto mejora la eficiencia computacional en comparación con la CNN tradicional, asegurando al mismo tiempo la precisión del diagnóstico de fallas.